AI 时代，我找到了所有事情从 60 分到 100 分的密码

你有没有这样的体验？

做一件事，努力了半天，感觉已经做得不错了——但就是停在那个"还行"的位置，再也上不去。

写文案，改了七八遍，感觉比最初好了很多，但读起来总差点意思。

做产品页面，自己看着挺满意，但转化率就是提不上来。

学一项技能，入门之后就进入了平台期，不知道下一步该往哪走。

我把这个状态叫做"60 分陷阱"——你付出了大量努力，却只能停在及格线附近。

最近我找到了一把可能突破这个陷阱的钥匙。它叫 Karpathy Loop。

一、那个让 AI 越来越强的秘密

Andrej Karpathy，前 Tesla AI 负责人，OpenAI 联合创始人。他提出了一个看似简单、却无比深刻的迭代框架：

假设 → 实施 → 打分 → 保留或回滚 → 下一轮

具体来说：

1. 1. 先提出一个改进假设，然后去实施
2. 2. 对实际结果打分，量化好坏
3. 3. 如果比之前更好，就保留；如果更差，就回滚
4. 4. 进入下一轮循环

听起来很平常？这不就是我们平时试错的过程吗？

对。但有一个关键区别：这个循环，可以由 AI 自动运行。

人工迭代，一天能跑几轮？

速度是人工的 10 倍以上，而且它不会累，不会妥协，不会因为"差不多了"就停下来。

这就是它的核心魔力：把人类最难坚持的事情——持续迭代、永不放弃——变成了机器的本能。

人工改稿拼的是耐力，AI 迭代拼的是标准。有了标准，耐力不再是瓶颈。

二、光说不练假把式

理解一个概念最好的方式，是亲手用它解决一个真实问题。

我选的例子是：亚马逊 Listing 优化。具体说，是产品标题（Title）和五点描述（Bullets）。

这是个典型的"60 分陷阱"场景：

• • 随便写，可能只有 30 分
• • 认真优化一遍，也许到了 60 分
• • 但从 60 分到 90 分，靠人工一遍遍改，极其耗时，而且你根本不知道自己改的方向对不对

那，怎么做？

三、第一步：建标准——没有标准，优化是瞎忙

想优化，先得有标准。没有标准的优化，叫瞎改。

亚马逊 Listing 优化涉及大量行业知识：Amazon 官方合规规则、SEO 关键词策略、移动端展示逻辑、买家心理、竞品分析……这些知识分散在无数文章、指南、研究报告里。

我用的工具是 Notebook LM。

把所有权威资料——Amazon 官方文档、顶级卖家指南、SEO 研究报告——全部导入 Notebook LM，构建成这个领域的专属知识库。

知识库建好之后，我用 Claude Code 生成了一系列专业问题，然后让它去连接 Notebook LM 逐一提问。问题涵盖：

• • 亚马逊标题有哪些硬性合规规则？
• • 移动端截断后，前 80 个字符应该包含什么信息？
• • 五点描述如何通过"那又怎样？"测试，把功能转化为利益？
• • 关键词应该如何在标题和五点之间分配，避免重复浪费？

通过这些问题的答案，我从知识库里蒸馏出了一套量化评分标准——不再是"感觉还不错"，而是每个维度 0-20 分，总分 100 分，每个分数点都有明确依据。

这一步是整个方法论的基础。没有量化标准，Karpathy Loop 就无法运行。 你没办法迭代一个你无法衡量的东西。

四、第二步：封装 Auto Research Skill

有了评分标准，下一步是把它封装成一个可以自动运行的工具。

我在 Claude Code 里构建了一个 Auto Research Skill，它的运行逻辑很简单：

输入原始五点描述
        ↓
    Haiku 打分（快速、便宜）
        ↓
    找出最弱的维度
        ↓
    Sonnet 针对性改进（质量优先）
        ↓
    重新打分
        ↓
  比原来好？→ ✅ 保留
  比原来差？→ ↩️ 回滚，记录失败思路
        ↓
    进入下一轮

注意这里有一个设计细节：用两个不同的模型扮演不同角色。

• • Haiku（轻量快速模型）负责打分——这是高频操作，要快、要省
• • Sonnet（强力模型）负责改进——这是高质量操作，要准、要深

这个分工让整个系统既高效又不浪费。每一轮迭代，只改动一条最需要改进的描述，其余保持不变，确保优化方向清晰可追溯。

五、第三步：开始迭代，然后去喝茶

工具准备好之后，剩下的事情就是：输入原始内容，然后坐下来等。

我用一个真实的亚马逊产品来演示。

第一轮优化（2 次迭代）：

初始输入进去，两轮迭代之后——

分数从 54 分 → 84 分。

30 分的提升，花了多长时间？不到 5 分钟。

放在以前，这需要一个文案高手盯着屏幕改上大半天，而且还不一定能改出 30 分的提升，因为他根本不知道自己改的方向是否正确。

第二轮优化（12 次迭代）：

84 分不够。让 Skill 继续跑，这次我设置了 12 轮迭代。

然后我去泡了杯茶。

回来的时候，屏幕上已经显示了 12 轮迭代的完整记录：哪一轮提升了，提升了几分，改了哪一条；哪一轮更差，回滚了，为什么失败。

最终结果：98 分。

从 54 分到 98 分。

六、这件事真正让我兴奋的地方

结果固然好，但更让我兴奋的是这套方法背后的通用性。

我们把它拆开来看：

1. 1. 用 Notebook LM 构建领域知识库 → 把分散的行业智慧系统化
2. 2. 用 Claude Code 提炼量化评分标准 → 把模糊的"好坏感觉"变成可计算的数字
3. 3. 封装 Auto Research Skill，让 AI 自动迭代 → 把人工试错的过程自动化、提速百倍

这三步，可以套用在几乎所有需要"从 60 分到 100 分"的场景：

• • 写作和文案优化
• • 产品描述和营销材料
• • 代码质量和架构设计
• • 简历和求职信
• • 演讲稿和提案
• • ……

只要一件事可以被量化评分，Karpathy Loop 就可以介入，然后让 AI 替你不停地迭代。

这是 AI 时代一个根本性的变化：迭代的速度，第一次不再是人类能力的瓶颈。

以前，"精益求精"是少数人的特权——他们要么天赋异禀，要么有足够的时间和资源一遍遍打磨。现在，这个能力第一次向所有人开放了。

七、最后

整个过程复盘一下：

1. 1. 用 Notebook LM 把行业里最权威的知识整合进一个知识库
2. 2. 用 Claude Code 向知识库提问，蒸馏出量化评分标准和优化策略，封装成 Auto Research Skill
3. 3. 把你的原始输入喂给这个 Skill，让它开始迭代
4. 4. 去喝杯茶，等结果

这不是魔法，是工程。是把"人类最难坚持的事情——持续迭代"，交给机器来完成的工程。

我相信，在 AI 时代，真正拉开人与人之间差距的，不是谁懂更多知识，而是谁找到了让 AI 替自己不断迭代的方法。

这就是那把从 60 分走向 100 分的钥匙。

它现在就在你手里。

想直接用？

我已经把亚马逊标题和五点描述的 Auto Research Skill 开源在 GitHub：

👉 github.com/hongxing121/lhx-skills

包含两个 Skill：

• • /lhx-amazon-title — 标题自动迭代优化
• • /lhx-amazon-bullets — 五点描述自动迭代优化

⚠️ 使用前提：需要先安装 Claude Code。没有 Claude Code 的话，这两个 Skill 无法运行。